실내 음원 위치 추정을 위한 확률 신경망 기반 GCC 분류 알고리즘

본 논문은 실내 음원 위치 추정(SSL) 분야에서 고반향(T₆₀ ≤ 600 ms) 및 저신호대잡음비(SNR = ‑10 dB)와 같은 열악한 음향 환경에서도 높은 정확도를 유지할 수 있는 새로운 알고리즘을 제시한다. 기존의 시간 지연 추정(TDOA) 기반 GCC, 빔포밍(SRP‑PHAT) 및 최근의 딥러닝 기반 방법들은 반향과 잡음에 취약하거나 학습 비용이 크게 요구되는 문제점을 가지고 있었다. 이를 해결하기 위해 저자는 두 가지 핵심 아이디어를 도입한다. 첫째, 일반화 교차상관(GCC) 특징을 프레임별 가중 평균하여 ‘GCC 특징 벡터’를 생성한다. 각 프레임에 부여되는 가중치 γ는 프레임의 신호대잡음비에 따라 조정되며, 고 SNR 프레임에 높은 가중치를 부여함으로써 잡음에 대한 강인성을 확보한다. 둘째, 이 GCC 특징을 입력으로 하는 확률 신경망(PNN) 기반 분류기를 설계한다. PNN은 입력 레이어 → 패턴 레이어 → 서머레이션 레이어 → 결정 레이어의 4단계 구조를 가지며, 패턴 레이어에서는 각 학습 샘플에 대해 Gaussian 커널(σ)로 확률 밀도 함수를 추정한다. 학습은 비반복적이며, 모든 샘플이 패턴 레이어에 그대로 저장되기 때문에 파라미터 최적화 과정이 필요 없고, 실시간 적용이 가능하다. 공간 모델링 측면에서는 실내 3차원 공간을 K개의 동일 부피 클러스터로 분할한다. 각 클러스터는 하나의 클래스 라벨을 갖고, 클러스터 수 K는 목표 정확도와 계산 복잡도 사이의 트레이드오프를 조절한다. 학습 단계에서는 각 클러스터 내부에서 다양한 위치에 음원을 배치하고, 해당 위치에서 방의 충격 응답(RIR)과 잡음을 합성해 마이크 배열에 대한 신호 X를 생성한다. 이후 GCC 특징을 추출하고, 이를 PNN에 입력한다. 서머레이션 레이어에서는 동일 클러스터에 속한 패턴 뉴런들의 출력을 평균해 클래스별 사후 확률 p_i를 계산하고, 가장 높은 확률을 갖는 클러스터를 최종 추정 결과로 선택한다. 수식적으로는 마이크 m에서 수신되는 신호 x_m(t) = s(t) * h_m(t) + n_m(t) 로 표현되며, 여기서 h_m(t)는 RIR, n_m(t)는 백색 잡음이다. 전체 마이크 배열의 신호 집합 X는 X = S ⊗ H + N 로 나타낸다. GCC 특징은 각 마이크 쌍 (i, j)마다 G_{ij}(τ) = ∑_{f} W_f · X_i(f) X_j^*(f) e^{j2πfτ} 로 정의하고, 프레임 가중치 W_f는 γ에 의해 조정된다. PNN의 패턴 레이어 출력은 φ_{ij}(GCC) = exp(−‖GCC − GCC_{ij}‖² / 2σ²) / (2πσ²)^{D/2} 로 계산된다. 서머레이션 레이어는 p_k = (1/n_k) ∑_{(i,j)∈c_k} φ_{ij}(GCC) 로 클러스터 k의 확률을 구한다. 최종 추정 좌표는 해당 클러스터의 중심 좌표를 사용하거나, 인접 클러스터들의 가중 평균을 통해 보정한다. 실험은 IEEE T‑IE 저널에 게재된 기존 3가지 최신 알고리즘(예: GCC‑PHAT, SRP‑PHAT, 딥러닝 기반 CNN‑SSL)과 비교하였다. 실험 환경은 방 크기 5 m × 5 m × 3 m, 마이크 배열은 8채널 원형 배열, T₆₀을 200 ms, 400 ms, 600 ms로 변화시키고, SNR을 0 dB, ‑5 dB, ‑10 dB로 설정한 18가지 시나리오를 구성하였다. 결과는 평균 방위각 오차 4.6°, 고도각 오차 3.1°를 기록했으며, 성공률(오차 ≤ 5°)은 92 %에 달했다. 반면 기존 알고리즘은 동일 조건에서 성공률이 68 %~80 % 수준에 머물렀다. 또한, 클러스터 수 K를 20, 40, 80으로 늘릴 경우 오차는 각각 5.2°, 4.6°, 4.1°로 감소했지만, 실시간 처리 시간은 K = 20일 때 12 ms, K = 80일 때 48 ms로 증가하였다. 논문의 한계로는 사전 조사 단계에서 방의 RIR을 충분히 측정해야 한다는 점, 마이크 배열이 고정되어 있어 배열 형태가 바뀔 경우 재학습이 필요하다는 점, 그리고 σ와 γ 같은 하이퍼파라미터가 환경에 따라 민감하게 변한다는 점을 들 수 있다. 향후 연구에서는 자동 하이퍼파라미터 튜닝, 배열 독립적인 특징 설계, 그리고 클러스터 기반 확률 모델을 베이지안 프레임워크와 결합하는 방안을 제시한다. 결론적으로, 본 논문은 GCC 기반 특징 추출과 PNN을 결합한 GCA가 고반향·저 SNR 환경에서도 높은 정확도와 실시간성을 동시에 만족시키는 실내 SSL 솔루션임을 입증하였다. 이는 스마트 팩토리, 의료 로봇, 스마트 회의실 등 다양한 실내 응용 분야에 적용 가능하며, 사전 방음 특성 조사만 가능하면 기존 방법보다 적은 연산량으로 높은 신뢰성을 제공한다는 점에서 실용적 가치가 크다.